مقایسۀ روش های تفسیر چشمی و رقومی در تهیۀ نقشه کاربری و پوشش اراضی استان اردبیل

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش‌آموخته کارشناسی ارشد مرتعداری، دانشگاه محقق اردبیلی

2 دانشیار دانشکده کشاورزی و منابع طبیعی، دانشگاه محقق اردبیلی

3 دانش‌آموخته دکتری مرتعداری، دانشگاه محقق اردبیلی

چکیده

تهیۀ نقشه کاربری/ پوشش اراضی یکی از پرکاربردترین موارد استفاده از داده‌های سنجش از دور است. داده‌های سنجش از دور به جهت ارائه‌ی اطلاعات به هنگام، رقومی، پوشش تکراری، کم‌هزینه بودن، امکان پردازش و پتانسیل بالا برای تهیۀ نقشه‌های کاربری و پوشش اراضی در منابع طبیعی، از اهمیت بالایی برخوردار است. در این تحقیق نقشه کاربری و پوشش اراضی با استفاده از تصاویر گوگل ارث و تصویر سنجنده OLI ماهواره Landsat 8 و روش‌های تفسیر چشمی (تصاویر GE)، طبقه‌بندی نظارت‌شده، شبکه عصبی مصنوعی و طبقه‌بندی شیءپایه، (تصویر لندست 8)، تهیه و با یکدیگر مقایسه شدند. برای ارزیابی صحت طبقه‌بندی از شاخص‌های صحت کل، ضریب کاپا، صحت تولیدکننده و صحت کاربر استفاده شد. نتایج نشان داد روش تفسیر چشمی با صحت کلی 4/99 و ضریب کاپای 99/0، نسبت به روش‌های شیءپایه، نظارت‌شده و شبکه عصبی مصنوعی (به ترتیب با صحت کلی 94، 82 و 8/60 و ضریب کاپای 92/0، 77/0 و 5/0) از صحت بیشتری برخوردار است. بر اساس نقشه تفسیر چشمی مراتع با مساحت 946687 هکتار و پهنه‌های آبی با مساحت 4/2177 هکتار به ترتیب بیشترین و کمترین کاربری را به خود اختصاص دادند. در مجموع از نظر صحت، روش تفسیر چشمی با استفاده از تصاویر گوگل ارث از صحت بالایی برخوردار است اما روشی زمان‌بر و پر‌هزینه است، در مقابل روش طبقه‌بندی شیءپایه با صحت قابل‌قبول و ‌هزینه و زمان کمتر، مناسب‌ترین روش برای تهیه نقشه کاربری/ پوشش اراضی است.

کلیدواژه‌ها


عنوان مقاله [English]

Comparison of visual and digital interpretation methods of land use/cover mapping in Ardabil province

نویسندگان [English]

  • Azad Kakeh Mami 1
  • Ardavan Ghorbani 2
  • Farshad Kayvan Behjoo 2
  • Amir Mirzaei Mosivand 3
1 MSc. Graduated of Range Management, University of Mohaghegh Ardabili
2 Assoc. Prof. College of Agriculture and Natural Resources, University of Mohaghegh Ardabili
3 PhD. Graduated of Range Management, University of Mohaghegh Ardabili
چکیده [English]

Land use/cover mapping is one of the most common applications of remote sensing data. Remote sensing data by providing updated digital information, repetitive coverage, reduce costs and the possibility of processing and high potential for the preparation of land use/cover maps in natural resources, is of paramount importance. In this study, the land use and cover map prepared using Google Earth and the Operational Land Imager image sensor (OLI) of Landsat 8 satellite and methods of visual interpretation (GE images), supervised classification, neural networks and object-based classification methods (Landsat 8 images), and compared with each other. In order to evaluate the accuracy of the classification, the overall accuracy, Kappa coefficient, producer’s accuracy and user’s accuracy were used. The results showed that the visual interpretation method with overall accuracy and Kappa coefficient of 99.4 and 0.99, in comparison to the object-based, supervised and artificial neural networks (with an overall accuracy of 94, 82 and 60.8, and a Kappa coefficient of 0.92, 0.77 and 0.50) are more reliable. According to the map of visual interpretation, the rangelands with an area of 946687 ha and water bodies in the area of 217.42 ha were the largest and smallest land use/covers, respectively. In terms of accuracy, the visual interpretation method using Google Earth images had the highest accuracy, but it is time-consuming and cost-effective. In contrast, object-based method with acceptable accuracy and with low cost and time is the best method for land use/cover mapping.

کلیدواژه‌ها [English]

  • land use
  • OLI Sensor
  • Supervised classification
  • Object-based Classification
  • Ardabil province
1. ارزانی، ح.، خ. میرآخورلو و س. ز. حسینی. 1388. تهیه نقشه کاربری اراضی با استفاده از داده‌های سنجنده +ETM ماهواره Landsat7 (مطالعه موردی قسمتی از مراتع حوزه آبخیز طالقان). تحقیقات مرتع و بیابان ایران، 16(2): 150-160.

2. اسلمی، ف.، ا. قربانی، ب. سبحانی و م. پناهنده. 1394. مقایسة روش­های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و شیءگرا در استخراج کاربری و پوشش اراضی از تصاویر لندست 8. سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 6(3): 1-14.

3. امیدی‌پور، ر.، ح. ر. مرادی و ص. آرخی. 1392. مقایسه روش‌های طبقه‌بندی پیکسل پایه و شیءگرا در تهیه نقشه کاربری اراضی با استفاده از داده‌های ماهواره‌ای. سنجش از دور و GIS ایران، 5(3): 99-110.

4. آرخی، ص. 1393. تهیه نقشه کاربری اراضی دشت عباس ایلام با استفاده از روش‌های شبکه عصبی مصنوعی، ماشین بردار پشتیبان و حداکثر احتمال. مرتعداری، 1(2): 30-43.

5. جعفری، ش.، خ. رحیمی و ی. اراززاده. 1391. تهیه نقشه کاربری اراضی با استفاده از داده­های گوگل ارث (مطالعه موردی: کرج). مجموعه مقالات ششمین همایش ملی مهندسی محیط زیست. دانشکده محیط زیست دانشگاه تهران، تهران. 27 آبان ماه الی 1 آذر ماه.

6. راهداری، و.، س. ملکی نجف‌آبادی و م. رهنما. 1388. مقایسه روش­های طبقه­بندی تصاویر ماهواره (نظارت شده و نظارت نشده) در تهیه نقشه کاربری و پوشش اراضی مناطق خشک و نیمه­خشک (مطالعه موردی پناهگاه حیات وحش موته). مجموعه مقالات همایش ملی ژئوماتیک. سازمان نقشه­برداری کشور، تهران. 20 الی 21 اردیبهشت ماه.

7. طاوسی، ت. و ق. دل‌آرا. 1389. پهنه­بندی آب و هوایی استان اردبیل. نیوار، 34(70-71): 47-52.

8. فیضی‌زاده، ب. و ح. هلالی. 1389. مقایسه روش‌های پیکسل پایه، شیءگرا و پارامترهای تأثیر‌گذار در طبقه‌بندی پوشش/کاربری اراضی استان آذربایجان غربی. پژوهش‌های جغرافیای طبیعی. 42(71): 73-84.

9. فیضی‌زاده، ب.، م. پیرنظر، آ. زندکریمی و ح. عابدی قشلاقی. 1394. ارزیابی استفاده از الگوریتم­های فازی در افزایش دقت نقشه­های کاربری اراضی استخراج شده با روش­های پردازش شیءگرا. اطلاعات جغرافیایی، 24(94): 107-117.

10. قربانی، ا.، ف. اسلمی، س. احمدآبادی و س. غفاری. 1394. تهیه نقشه کاربری اراضی حوزه آبخیز کفتاره اردبیل با استفاده از تفسیر چشمی و رقومی تصویر ETM+. اکوسیستم‌های طبیعی ایران، 6(4): 27-43.

11. مظاهری، م. ر.، م. اسفندیاری، م. ح. مسیح­آبادی و ا. کمالی. 1392. پایش تغییرات زمانی کاربری اراضی با استفاده از تکنیک­های سنجش از دور و سیستم اطلاعات جغرافیایی (مطالعه موردی: جیرفت، استان کرمان). سنجش از دور و سامانه اطلاعات جغرافیایی در منابع طبیعی، 4(2): 25-39.

12. Aplin P, Smith GM. 2011. Introduction to object-based landscape analysis. International Journal of Geographical Information Science, 25(6): 869-875.

13. Bey A, Sánchez-Paus Díaz A, Maniatis D, Marchi G, Mollicone D, Ricci S, Bastin J-F, Moore R, Federici S, Rezende M, Patriarca Ch, Turia R, Gamoga G, Abe H, Kaidong H, Miceli G. 2016. Collect Earth: Land use and land cover assessment through augmented visual interpretation. Remote Sensing, 8(10): 1-24.

14. Blaschke T. 2010. Object based image analysis for remote sensing. ISPRS Journal of Photogrammetry and Remote Sensing, 65(1): 2-16.

15. Du Y, Wu D, Liang F, Li C. 2013. Integration of case-based reasoning and object-based image classification to classify SPOT images: a case study of aquaculture land use mapping in coastal areas of Guangdong province, China. GIScience & Remote Sensing, 50(5): 574-589.

16. Galletti CS, Myint SW. 2014. Land-use mapping in a mixed urban-agricultural arid landscape using object-based image analysis: A case study from Maricopa, Arizona. Remote Sensing, 6(7): 6089-6110.

17. Ganasri B, Dwarakish G. 2015. Study of land use/land cover dynamics through classification algorithms for Harangi catchment area, Karnataka State, INDIA. Aquatic Procedia, 4: 1413-1420.

18. Ghorbani A, Pakravan M. 2013. Land use mapping using visual vs. digital image interpretation of TM and Google earth derived imagery in Shrivan-Darasi watershed (Northwest of Iran). European Journal of Experimental Biology, 3(1): 576-582.

19. Kindu M, Schneider T, Teketay D, Knoke T. 2013. Land use/land cover change analysis using object-based classification approach in Munessa-Shashemene Landscape of the Ethiopian Highlands. Remote Sensing, 5(5): 2411-2435.

20. Lu D, Li G, Moran E, Freitas C, Dutra L, Sant’Anna S. 2012. A comparison of maximum likelihood classifier and object-based method based on multiple sensor datasets for land-use/cover classification in the Brazilian Amazon. Proceedings of 4th Geographic Object-Based Image Analysis (GEOBIA), Rio de Janeiro, Brazil. 7-9 May.

21. Piazza GA, Vibrans AC, Liesenberg V, Refosco JC. 2016. Object-oriented and pixel-based classification approaches to classify tropical successional stages using airborne high–spatial resolution images. GIScience & Remote Sensing, 53(2): 206-226.

22. Richards JA. 2013. Remote sensing digital image analysis, 5th ed, springer. 494 pp.

23. Romijn E, Lantican CB, Herold M, Lindquist E, Ochieng R, Wijaya A, Murdiyarso D, Verchot L. 2015. Assessing change in national forest monitoring capacities of 99 tropical countries. Forest Ecology and Management, 352: 109-123.

24. Roostaei S, Alavi S, Nikjoo M, Kamran KV. 2012. Evaluation of object-oriented and pixel based classification methods for extracting changes in urban area. International Journal of Geomatics and Geosciences, 2(3): 738-749.

25. Tso B, Mather PM. 2009. Classification methods for remotely sensed data, 2nd ed, Taylor and Francis Group, LLC, CRC Press, New York. 352 pp.

26. Yang X. 2011. Parameterizing support vector machines for land cover classification. Photogrammetric Engineering & Remote Sensing, 77(1): 27-37.

27. Yu W, Zhou W, Qian Y, Yan J. 2016. A new approach for land cover classification and change analysis: Integrating backdating and an object-based method. Remote Sensing of Environment, 177: 37-47.

28. Yuan F, Bauer ME, Heinert NJ, Holden GR. 2005. Multi‐level land cover mapping of the Twin Cities (Minnesota) metropolitan area with multi‐seasonal Landsat TM/ETM+ data. Geocarto International, 20(2): 5-13.